有限图像的无限压缩-英语翻译文献

《有限图像的无限压缩-英语翻译文献》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、使用自适应预测和自适应算术编码的有损图像的无损压缩MikioTakagi和SeishiTaka工业科学研究所，东京大学摘要多用无损灰度图像压缩是必要的，如医学图像，图像数据库等。有损图像很重要，因为其具有较高的压缩比。在本文中，我们提出了一种无损图像压缩，使用JEPG-DCT方案产生的有损图像格式。我们的主题是，将JEPG压缩有损形象性，然后把剩余的信息，并使用有损图像重建原始图像残差信息。三维自适应预测和自适应算术编码的使用，充分利用统计分布源参数符号。邻居的最佳数量像素和像素使用了有损的预言。问题是更好的比以前的工作相当接近原来的无损压缩算法。引言今天有许多对图

2、像压缩的研究，特别是对有损极低比特率压缩。图像数据库，这样高的压缩比重要的存储和快速传输，但对付各种用户需求，无损图像传输是必不可少的。在本文中，我们提出了一个有效的无损压缩算法的灰色使用有损压缩图像。有损压缩方案使用的接头摄影专家组的离散余弦变换（JEPG-DCT）算法为有损编码算法。首先我们搜索的像素相似（语境），根据他们的邻居像素。这样的背景像素，我们预测值从上下文和邻居。另一方面，对于每个像素，没有上下文对，我们计算了沿水平根据相邻像素的值的差异。为每个象素边缘的水平，我们计算的预测系数的线性组合—最小平方误差准则下的国家。不仅像素已经处理也有损图像的像素用

3、于预测。每个边缘能级的统计分布。对于每一个像素，得出预测值和实际值的计算，和是转换到一个非负的值之前被编码，根据他们的分布。在熵编码阶段，我们使用算术编码。它是由自适应，和初始误差分布仅由一个参数给出，这是具体的每个边缘能级的统计分布。实验结果表明，良好的性能。像其他LPL（有损加上无损）的方法，我们的压缩比是小于原来的无损方案，但有轻微的差异。所有的一切，然而，得到用户的大功他们可以浏览图像无损压缩解压缩之前，许多这样的计划。在文献中已经提出，但他们中的大多数将有损图像及其无损残余作为独立的符号源。一个例外是内存的算法[6]。我们利用有损数据彻底，更好的结果。1.

4、1像素的估计通常的图像数据扫描的讨论扫描线方向。图1。当前像素一个加工点。顺序像素的预测NFL使用PI的当前像素的值P4。然后，卡尔—方法的预测误差通常的线性组合，用于预测如下，其中Ti。T4是系数的。此图1：当前像素是外推预测。处理后的相邻像素通常，零阶熵集｛ε}低于集{Z}。因此，熵如Huffman编码[我]或[2]或算术编码的编码方案后基于Lempel-Ziv编码[3]，减少数据大小。正文我们主要是使用的线性组合，如方程（1）的预测，但过程更适应比正常的预测方法。我们使用更多的相邻像素（高达十），同时使用有损图像和预测误差E像素转化为另一种形式在编码之前。2.

5、1个组的像素每个图像像素具有不同的特性在一定的标准。从一个角度图像压缩编码，分组相似的像素和他们在一起造成有效结果。分组的像素，我们使用的Q值：使用这个值，我们每个像素分类为几组，根据表11、分组表图2：（a）原始图像的‘女孩’（b）JPEG压缩图像（质量值=5）图3：（a）的Q值图像（b）简单的预测及预测误差图3（a）和（b）显示了Q值误差可以简单的预测。可以看见他们，Q值密切相关的预测误差。因此预测系数在每个组独立计算。2.2上下文搜索表2显示了每个组的最后的零阶熵的图像预测结果“姑娘”。显然，上组更难被压缩比下组。我们使用基于上下文的预测的方法来处理这种上组。

6、地区我们搜索类似地区（我们表示“语境”）所示图4。这是限制在已经处理的像素的面积。该程序是1、扫描区找点满足2、在这样的点，找到一个最小的3、如果最小浓度小于12，把它作为当前点的上下文。否则，返回失败（不存在）。2.3预测2.3.1预测正常组对于只，我们预测值的当前像素的线性组合邻居的像素值。系数计算最小平方误差法。用预言邻域像素图5所示（PI……PIA）的数量。像素是可变的（10像素），然后我们就选择最优。优先显示在图中的后缀的数目。最有效的数以后讨论。表2：集团与熵（图像的“姑娘”）图4：上下文搜索区域图5：用于预测的像素在这里，一些有损的像素（RI。..，得

7、到的PEG压缩图像）广泛地。使用这些像素，达到像插值预测。这预测有助于压缩尺寸的减少。2.3.2预测语境条件下的标准（3）和（4）。一对上下文有相似的形状的高度。因此，我们预测值2从{'，B，C，Z，A，B，C}（参见图4）。我们也使用最小平方误差估计。最大的不同点非背景像素的预测是，不仅利用相邻像素的值，但使用最接近的背景。本方案有效的连续的边缘，因为附近的边缘有一个类似的像素序列。2.4转换错误如果每个像素有8位，预测误差可以有真正的数255和255之间（约）。经过预测，应表示为整数。转化的一个简单的方法是，简单的圆形价值从整数（计算了{e+0.51}）和考